CN111227833B - 一种基于广义线性模型的机器学习的术前定位方法 - Google Patents

一种基于广义线性模型的机器学习的术前定位方法 Download PDF

Info

Publication number
CN111227833B
CN111227833B CN202010036446.5A CN202010036446A CN111227833B CN 111227833 B CN111227833 B CN 111227833B CN 202010036446 A CN202010036446 A CN 202010036446A CN 111227833 B CN111227833 B CN 111227833B
Authority
CN
China
Prior art keywords
magnetic resonance
functional magnetic
image
generalized linear
data
Prior art date
Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
Active
Application number
CN202010036446.5A
Other languages
English (en)
Other versions
CN111227833A (zh
Inventor
牛晨
张秋丽
张明
任雨寒
温鑫
刘翔
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
First Affiliated Hospital of Medical College of Xian Jiaotong University
Original Assignee
First Affiliated Hospital of Medical College of Xian Jiaotong University
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by First Affiliated Hospital of Medical College of Xian Jiaotong University filed Critical First Affiliated Hospital of Medical College of Xian Jiaotong University
Priority to CN202010036446.5A priority Critical patent/CN111227833B/zh
Publication of CN111227833A publication Critical patent/CN111227833A/zh
Application granted granted Critical
Publication of CN111227833B publication Critical patent/CN111227833B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • A—HUMAN NECESSITIES
    • A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
    • A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
    • A61B5/00—Measuring for diagnostic purposes; Identification of persons
    • A61B5/05—Detecting, measuring or recording for diagnosis by means of electric currents or magnetic fields; Measuring using microwaves or radio waves 
    • A61B5/055—Detecting, measuring or recording for diagnosis by means of electric currents or magnetic fields; Measuring using microwaves or radio waves  involving electronic [EMR] or nuclear [NMR] magnetic resonance, e.g. magnetic resonance imaging
    • A—HUMAN NECESSITIES
    • A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
    • A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
    • A61B5/00—Measuring for diagnostic purposes; Identification of persons
    • A61B5/0033—Features or image-related aspects of imaging apparatus classified in A61B5/00, e.g. for MRI, optical tomography or impedance tomography apparatus; arrangements of imaging apparatus in a room
    • A—HUMAN NECESSITIES
    • A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
    • A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
    • A61B5/00—Measuring for diagnostic purposes; Identification of persons
    • A61B5/0033—Features or image-related aspects of imaging apparatus classified in A61B5/00, e.g. for MRI, optical tomography or impedance tomography apparatus; arrangements of imaging apparatus in a room
    • A61B5/004—Features or image-related aspects of imaging apparatus classified in A61B5/00, e.g. for MRI, optical tomography or impedance tomography apparatus; arrangements of imaging apparatus in a room adapted for image acquisition of a particular organ or body part
    • A61B5/0042—Features or image-related aspects of imaging apparatus classified in A61B5/00, e.g. for MRI, optical tomography or impedance tomography apparatus; arrangements of imaging apparatus in a room adapted for image acquisition of a particular organ or body part for the brain

Landscapes

  • Health & Medical Sciences (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Nuclear Medicine, Radiotherapy & Molecular Imaging (AREA)
  • Radiology & Medical Imaging (AREA)
  • Physics & Mathematics (AREA)
  • Medical Informatics (AREA)
  • Surgery (AREA)
  • Engineering & Computer Science (AREA)
  • Biomedical Technology (AREA)
  • Heart & Thoracic Surgery (AREA)
  • Biophysics (AREA)
  • Molecular Biology (AREA)
  • Pathology (AREA)
  • Animal Behavior & Ethology (AREA)
  • General Health & Medical Sciences (AREA)
  • Public Health (AREA)
  • Veterinary Medicine (AREA)
  • High Energy & Nuclear Physics (AREA)
  • Neurology (AREA)
  • Magnetic Resonance Imaging Apparatus (AREA)

Abstract

本发明公开了一种基于广义线性模型的机器学习的术前定位方法，包括以下步骤：获得结构图像和功能磁共振图像；对结构图像和功能磁共振图像进行预处理；对结构图像和功能磁共振图像进行分割和配准操作，使用双重回归方法提取运动网络；构建广义线性预测模型，将大脑分区进行广义线性预测模型拟合；本发明方法可以更准确地在静息态功能磁共振的基础上识别运动区域预测个体的运动激活图，能够以实际任务功能磁共振图像激活为参考，使用主动任务激活训练的广义线性预测模能有效预测被动任务激活，广义线性预测模对于不能达到满意任务表现的患者，包括老年人、儿童、肿瘤患者具有重要的临床应用价值。

Description

一种基于广义线性模型的机器学习的术前定位方法
技术领域
本发明涉及医疗辅助技术领域，尤其涉及一种基于广义线性模型的机器学习的术前定位方法。
背景技术
准确地定位大脑功能区对于术前计划的制定及手术路径规划至关重要。术前定位不仅有助于最大程度地切除肿瘤，而且还可以最大程度地减少术后神经功能缺损，从而改善患者术后的生活质量。术中电皮质刺激(ECS)作为重要功能脑区临床定位的金标准在手术期间提供了重要的帮助。但是ECS是一项侵入性技术，需要手术团队的专业知识和患者的积极配合。此外，这种方法通常导致手术时间延长并增加了术中癫痫的发生率。过去二十年来，血氧水平依赖功能磁共振成像(BOLD-fMRI)由于其无创性操作已被临床神经外科广泛接受，作为对重要的功能脑区(包括感觉运动皮层，语言功能区)进行术前定位的重要工具。更重要的是，现有的研究表明基于任务的功能磁共振成像(task-based fMRI，tb-fMRI)与ECS结果存在显著的一致性，并认为fMRI可以快速评估运动皮层与病变之间的距离，从而预测术后功能丧失；
血氧水平依赖功能磁共振成像技术(BOLD-fMRI)是近年来一种常用的无创性术前功能区定位技术，基于任务的功能磁共振成像(tb-fMRI)与传统的术中经皮层及皮层下电刺激术得到的功能定位结果较一致，可以快速评估运动皮层与病变之间的距离，从而预测术后功能丧失。但是tb-fMRI要求受试者保持意识并自主执行实验任务，并避免其他所有身体运动。因此，对于无法完成任务的患者(如婴儿，四肢不活动和认知障碍患者)，此方法有明显的局限性。此外，即使是配合任务的受试者，在执行任务时因头部过度运动而产生的运动伪影也可能导致假阳性的fMRI激活；
静息态功能磁共振则不需要患者执行任务，可以应用于儿科患者、认知功能障碍患者甚至植物性和昏迷状态的患者。越来越多的研究表明静息态功能磁共振可以提供与任务激活图和术中皮质刺激图紧密对应的空间图。在使用静息态功能磁共振数据进行术前大脑区域的术前定位的研究中，最常见的数据分析方法是独立成分分析(ICA)和基于种子点的分析(SBA)。SBA方法要求先选择感兴趣区域(ROI)，由于对象间的解剖变化，该区域并不总是可靠的。特别是对于脑肿瘤患者，肿瘤的占位效应使SBA方法难以根据大脑的解剖标志定义ROI。ICA是一种数据驱动的方法，在提取整个大脑的一般连通性模式方面计算效率高。但是，ICA方法要求根据外观检查手动选择重要脑功能组件。因此，ICA的解释非常耗时且主观性强，并且可能会受到生理信号噪声的影响。因此，本发明提出一种基于广义线性模型的机器学习的术前定位方法，以解决现有技术中的不足之处。
发明内容
针对上述问题，本发明的目的在于提供一种基于广义线性模型的机器学习的术前定位方法，可以更准确地在静息态功能磁共振的基础上识别运动区域预测个体的运动激活图，能够以实际任务功能磁共振图像激活为参考，使用主动任务激活训练的广义线性预测模能有效预测被动任务激活，广义线性预测模对于不能达到满意任务表现的患者，包括老年人、儿童、肿瘤患者具有重要的临床应用价值。
为实现本发明的目的，本发明通过以下技术方案实现：
一种基于广义线性模型的机器学习的术前定位方法，包括以下步骤：
步骤一：获得结构图像和功能磁共振图像
使用扰相梯度回波序列3D-T1加权序列获取结构图像，再通过T2*加权单次梯度平面回波成像序列获取功能磁共振图像；
步骤二：对结构图像和功能磁共振图像进行预处理
对结构图像和功能磁共振图像分别进行时序校正、头动校正、标准化、空间平滑、去线性漂移和滤波处理；
步骤三：对结构图像和功能磁共振图像进行分割和配准操作，使用双重回归方法提取运动网络
利用运动网络模板将每个受试者j的经过预处理后的静息态功能磁共振数据进行回归，提取与运动网络相关的时序，然后，将提取的时序回归到同一受试者j的4D静息态功能磁共振数据中，获取特定受试者j的运动网络空间图；
步骤四：构建广义线性预测模型
提取来自人脑连接组计划项目数据库中的受试者j的静息态功能磁共振时间序列个体特征最为训练特征，然后将训练特征作为预测模型的输入，然后将双重回归的单个特征映射与对应的任务数据进行匹配，然后建立任务激活地图生成的矩阵相乘个体特征图，将大脑分区进行广义线性预测模型拟合。
进一步改进在于：所述步骤二中进行空间平滑处理时，采用半高全宽为6mm的高斯核函数进行数据平滑，在脑功能成像分析软件中使用3d Deconvolve从数据中回归白质和脑脊液的信号以及六个运动参数及其导数。
进一步改进在于：所述步骤二中进行滤波处理时，需要在频率f＝0.01Hz以上时对数据进行高通滤波。
进一步改进在于：所述步骤三中分割和配准操作的具体过程为：使用SPM12软件将结构图像和功能磁共振图像分为灰质、白质和脑脊液，然后将灰质和白质分割相结合，生成大脑的解剖图像，再使用高级归一化工具以12自由度仿射变换，再使用对称图像标准化方法进行非线性微分配准，将解剖图像与MNI空间共同配准。
进一步改进在于：所述步骤三中使用对称图像标准化方法进行非线性微分配准，将解剖图像与MNI空间共同配准的具体操作为：使用脑功能成像分析软件发送静息态功能磁共振数据并进行体积注册，然后使用图像处理软件FSL中的epi_reg将静息态功能磁共振数据注册到解剖扰相梯度回波序列，然后将静息态功能磁共振数据转换到MNI空间。
进一步改进在于：所述步骤四中将双重回归的单个特征映射与对应的任务数据进行匹配，然后建立任务激活地图生成的矩阵相乘个体特征图，将大脑分区进行广义线性预测模型拟合的具体过程为：将来自双重回归的单个特征映射与对应的任务数据进行匹配，利用广义线性模型进行确定每个受试者j的β系数，计算如公式(1)所示，然后,采用留一分析方法获取除受试者j以外的所有受试者j个体β值的平均值，生成受试者j的β值，最后，通过将各个特征图乘以计算出的β系数来生成预测的任务激活图，如公式(2)所示，然后采用分段线性方法将大脑分成50个互不重叠的区域，并分别对每个区域进行广义线性预测模型拟合；
βi＝pinv(Xi)·yi (1)
Figure BDA0002366192000000051
其中：(βi)为每个受试者j的β系数；Xj为特征图；Xi为来自双重回归(Xi)的单个特征映射；yi为来自双重回归(Xi)的单个特征映射对应的任务数据。
本发明的有益效果为：本发明的基于广义线性预测模型的术前定位方法可以更准确地在静息态功能磁共振的基础上识别运动区域预测个体的运动激活图，能够以实际任务功能磁共振图像激活为参考，使用主动任务激活训练的广义线性预测模能有效预测被动任务激活，广义线性预测模对于不能达到满意任务表现的患者，包括老年人、儿童、肿瘤患者具有重要的临床应用价值。
附图说明
图1本发明方法流程示意图。
具体实施方式
下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。
根据图1所示，本实施例提出一种基于广义线性模型的机器学习的术前定位方法，包括以下步骤：
步骤一：获得结构图像和功能磁共振图像
使用扰相梯度回波序列3D-T1加权序列获取结构图像，再通过T2*加权单次梯度平面回波成像序列获取功能磁共振图像；
步骤二：对结构图像和功能磁共振图像进行预处理
对结构图像和功能磁共振图像分别进行时序校正、头动校正、标准化、空间平滑、去线性漂移和滤波处理，空间平滑处理时，采用半高全宽为6mm的高斯核函数进行数据平滑，在脑功能成像分析软件中使用3d Deconvolve从数据中回归白质和脑脊液的信号以及六个运动参数及其导数；滤波处理时，需要在频率f＝0.01Hz以上时对数据进行高通滤波；
步骤三：对结构图像和功能磁共振图像进行分割和配准操作，使用双重回归方法提取运动网络
使用SPM12软件将结构图像和功能磁共振图像分为灰质、白质和脑脊液，然后将灰质和白质分割相结合，生成大脑的解剖图像，再使用高级归一化工具以12自由度仿射变换，再使用对称图像标准化方法进行非线性微分配准，将解剖图像与MNI空间共同配准，使用脑功能成像分析软件发送静息态功能磁共振数据并进行体积注册，然后使用图像处理软件FSL中的epi_reg将静息态功能磁共振数据注册到解剖扰相梯度回波序列，然后将静息态功能磁共振数据转换到MNI空间
利用运动网络模板将每个受试者j的经过预处理后的静息态功能磁共振数据进行回归，本实施例中运动网络模板包含使用ICA从1000个正常受试者j中识别出的17个空间独立的网络，使用运动网络模板将每个受试者j的预处理静息态功能磁共振数据回归，以提取与运动网络相关的时序,然后，将提取的时序回归到同一受试者j的4D静息态功能磁共振数据中，以获取特定受试者j的运动网络空间图；
步骤四：构建广义线性预测模型
提取来自人脑连接组计划项目数据库中的受试者j的静息态功能磁共振时间序列个体特征最为训练特征，每个受试者j进行了四次15分钟的静息态功能磁共振扫描，利用主成分分析软件将时间序列的维数降至1000，利用独立分量分析软件从时间序列中提取40个分量，并排除左右不对称的特征，得到36个成分用于双重回归分析，以提取受试者j的个体特征，并将其作为预测模型的输入，然后将双重回归的单个特征映射与对应的任务数据进行匹配，然后建立任务激活地图生成的矩阵相乘个体特征图，将大脑分区进行广义线性预测模型拟合，将来自双重回归的单个特征映射与对应的任务数据进行匹配，利用广义线性模型进行确定每个受试者j的β系数，计算如公式(1)所示，然后,采用留一分析方法获取除受试者j以外的所有受试者j个体β值的平均值，生成受试者j的β值，最后，通过将各个特征图乘以计算出的β系数来生成预测的任务激活图，如公式(2)所示，然后采用分段线性方法将大脑分成50个互不重叠的区域，并分别对每个区域进行广义线性预测模型拟合；
βi＝pinv(Xi)·yi (1)
Figure BDA0002366192000000081
其中：(βi)为每个受试者j的β系数；Xj为特征图；Xi为来自双重回归(Xi)的单个特征映射；yi为来自双重回归(Xi)的单个特征映射对应的任务数据。
本发明的基于广义线性预测模型的术前定位方法可以更准确地在静息态功能磁共振的基础上识别运动区域预测个体的运动激活图，能够以实际任务功能磁共振图像激活为参考，使用主动任务激活训练的广义线性预测模能有效预测被动任务激活，广义线性预测模对于不能达到满意任务表现的患者，包括老年人、儿童、肿瘤患者具有重要的临床应用价值。
以上显示和描述了本发明的基本原理、主要特征和优点。本行业的技术人员应该了解，本发明不受上述实施例的限制，上述实施例和说明书中描述的只是说明本发明的原理，在不脱离本发明精神和范围的前提下，本发明还会有各种变化和改进，这些变化和改进都落入要求保护的本发明范围内。本发明要求保护范围由所附的权利要求书及其等效物界定。

Claims (5)

1.一种基于广义线性模型的机器学习的术前定位方法，其特征在于，包括以下步骤：
步骤一：获得结构图像和功能磁共振图像
使用扰相梯度回波序列3D-T1加权序列获取结构图像，再通过T2*加权单次梯度平面回波成像序列获取功能磁共振图像；
步骤二：对结构图像和功能磁共振图像进行预处理
对结构图像和功能磁共振图像分别进行时序校正、头动校正、标准化、空间平滑、去线性漂移和滤波处理；
步骤三：对结构图像和功能磁共振图像进行分割和配准操作，使用双重回归方法提取运动网络
利用运动网络模板将每个受试者j的经过预处理后的静息态功能磁共振数据进行回归，提取与运动网络相关的时序，然后，将提取的时序回归到同一受试者j的4D静息态功能磁共振数据中，获取特定受试者j的运动网络空间图；
步骤四：构建广义线性预测模型
提取来自人脑连接组计划项目数据库中的受试者j的静息态功能磁共振时间序列个体特征最为训练特征，然后将训练特征作为预测模型的输入，然后将双重回归的单个特征映射与对应的任务数据进行匹配，然后建立任务激活地图生成的矩阵相乘个体特征图，将大脑分区进行广义线性预测模型拟合；
所述步骤四中将双重回归的单个特征映射与对应的任务数据进行匹配，然后建立任务激活地图生成的矩阵相乘个体特征图，将大脑分区进行广义线性预测模型拟合的具体过程为：将来自双重回归的单个特征映射与对应的任务数据进行匹配，利用广义线性模型进行确定每个受试者j的β系数，计算如公式(1)所示，然后,采用留一分析方法获取除受试者j以外的所有受试者j个体β值的平均值，生成受试者j的β值，最后，通过将各个特征图乘以计算出的β系数来生成预测的任务激活图，如公式(2)所示，然后采用分段线性方法将大脑分成50个互不重叠的区域，并分别对每个区域进行广义线性预测模型拟合；
βi＝pinv(Xi)·yi (1)
Figure FDA0003181594400000021
其中：βi为每个受试者j的β系数；Xj为特征图；Xi为来自双重回归的单个特征映射；yi为来自双重回归的单个特征映射对应的任务数据。
2.根据权利要求1所述的一种基于广义线性模型的机器学习的术前定位方法，其特征在于：所述步骤二中进行空间平滑处理时，采用半高全宽为6mm的高斯核函数进行数据平滑，在脑功能成像分析软件中使用3d Deconvolve从数据中回归白质和脑脊液的信号以及六个运动参数及其导数。
3.根据权利要求1所述的一种基于广义线性模型的机器学习的术前定位方法，其特征在于：所述步骤二中进行滤波处理时，需要在频率f＝0.01Hz以上时对数据进行高通滤波。
4.根据权利要求1所述的一种基于广义线性模型的机器学习的术前定位方法，其特征在于：所述步骤三中分割和配准操作的具体过程为：使用SPM12软件将结构图像和功能磁共振图像分为灰质、白质和脑脊液，然后将灰质和白质分割相结合，生成大脑的解剖图像，再使用高级归一化工具以12自由度仿射变换，再使用对称图像标准化方法进行非线性微分配准，将解剖图像与MNI空间共同配准。
5.根据权利要求4所述的一种基于广义线性模型的机器学习的术前定位方法，其特征在于：所述步骤三中使用对称图像标准化方法进行非线性微分配准，将解剖图像与MNI空间共同配准的具体操作为：使用脑功能成像分析软件发送静息态功能磁共振数据并进行体积注册，然后使用图像处理软件FSL中的epi_reg将静息态功能磁共振数据注册到解剖扰相梯度回波序列，然后将静息态功能磁共振数据转换到MNI空间。
CN202010036446.5A 2020-01-14 2020-01-14 一种基于广义线性模型的机器学习的术前定位方法 Active CN111227833B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202010036446.5A CN111227833B (zh) 2020-01-14 2020-01-14 一种基于广义线性模型的机器学习的术前定位方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202010036446.5A CN111227833B (zh) 2020-01-14 2020-01-14 一种基于广义线性模型的机器学习的术前定位方法

Publications (2)

Publication Number Publication Date
CN111227833A CN111227833A (zh) 2020-06-05
CN111227833B true CN111227833B (zh) 2021-09-14

Family

ID=70874555

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202010036446.5A Active CN111227833B (zh) 2020-01-14 2020-01-14 一种基于广义线性模型的机器学习的术前定位方法

Country Status (1)

Country Link
CN (1) CN111227833B (zh)

Families Citing this family (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN113962966B (zh) * 2021-10-26 2023-01-10 中山大学附属第一医院 一种基于功能核磁共振成像的术前语言区定位方法及系统
CN114376522B (zh) * 2021-12-29 2023-09-05 四川大学华西医院 构建用于识别青少年肌阵挛癫痫的计算机识别模型的方法

Family Cites Families (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN103006215B (zh) * 2012-12-14 2015-02-25 中国科学院自动化研究所 基于局部平滑回归的脑功能区定位方法
CN104337518B (zh) * 2014-10-29 2017-03-22 杭州师范大学 一种基于静息态功能磁共振的术前脑功能网络定位方法
CN105534534A (zh) * 2015-12-09 2016-05-04 浙江大学 一种基于实时功能磁共振的情绪识别方法、装置及系统
CN107045593B (zh) * 2017-04-17 2018-11-16 浙江大学 具有实时反馈和任务更新功能的脑功能实验任务刺激系统
US11333730B2 (en) * 2017-10-25 2022-05-17 The Board Of Trustees Of The Leland Stanford Junior University Systems and methods for mapping neuronal circuitry and clinical applications thereof
CN109528198A (zh) * 2019-01-16 2019-03-29 郑志明 基于低阶多元广义线性模型的大脑反应比较方法

Also Published As

Publication number Publication date
CN111227833A (zh) 2020-06-05

Similar Documents

Publication Publication Date Title
Azam et al. A review on multimodal medical image fusion: Compendious analysis of medical modalities, multimodal databases, fusion techniques and quality metrics
Carass et al. Comparing fully automated state-of-the-art cerebellum parcellation from magnetic resonance images
CN106204562B (zh) 一种基于fMRI与DTI融合的穹隆白质分割的方法
CN106023194B (zh) 基于静息态功能连接的杏仁核谱聚类分割方法
US9940712B2 (en) Quantitating disease progression from the MRI images of multiple sclerosis patients
CN110506278A (zh) 隐空间中的目标检测
US8750584B2 (en) Medical image display processing method, device, and program
Varikuti et al. Resting-state test–retest reliability of a priori defined canonical networks over different preprocessing steps
CN111227833B (zh) 一种基于广义线性模型的机器学习的术前定位方法
Rashed et al. Development of accurate human head models for personalized electromagnetic dosimetry using deep learning
Suk et al. Discriminative group sparse representation for mild cognitive impairment classification
CN112233086B (zh) 基于脑区功能连接的fMRI数据分类识别方法及装置
CN110458832B (zh) 静息态大脑功能对称性分析方法
Giulia et al. The impact of Neurofeedback on effective connectivity networks in chronic stroke patients: an exploratory study
US20120087559A1 (en) Device and method for cerebral location assistance
CN110537915A (zh) 一种基于fmri及dti融合的皮质脊髓束纤维追踪方法
Rajinikanth et al. Magnetic resonance imaging: recording, reconstruction and assessment
Reddy et al. Denoising task-correlated head motion from motor-task fMRI data with multi-echo ICA
CN111227834A (zh) 静息态脑功能连接的自动化快速可视化方法
Ting et al. Multiview 3-d echocardiography image fusion with mutual information neural estimation
CN113610742A (zh) 一种基于深度学习的全脑结构体积测量方法及系统
CN116543042B (zh) 基于组水平平均统计图的抑郁症tms个体化靶点定位方法及系统
Kazemi et al. Neonatal probabilistic models for brain, CSF and skull using T1-MRI data: preliminary results
Mir et al. Smart Approaches for Diagnosis of Brain Disorders Using Artificial Intelligence
CN116504363B (zh) 基于组水平差异统计图的抑郁症tms个体化靶点定位方法及系统

Legal Events

Date Code Title Description
PB01 Publication
PB01 Publication
SE01 Entry into force of request for substantive examination
SE01 Entry into force of request for substantive examination
GR01 Patent grant
GR01 Patent grant